TrajGenAgent：用於人類移動軌跡生成的分層LLM智能體
TrajGenAgent提出了一種基於分層LLM智能體的框架，無需模型微調即可生成逼真的合成人類移動軌跡。它採用兩階段設計：LLM首先通過上下文學習合成個體和星期條件化的活動鏈，然後通過確定性工作流（包括個性化POI檢索、距離感知位置選擇、運動學感知的旅行時間傳播和LLM持續時間估計）將每個活動轉化為完整的訪問記錄。此外，引入基於異常檢測的評估框架來評估行為與語義合理性。實驗表明，該方法在時空保真度、語義一致性和個體行為真實性方面優於現有方法。
TrajGenAgent是一種創新的分層LLM智能體框架，專門用於生成逼真的人類移動軌跡。該研究由Siyu Li等人完成，於2026年6月10日提交至arXiv預印本平台，並被第27屆IEEE國際移動數據管理會議（MDM 2026）接收。人類移動數據在交通規劃、城市管理和流行病控制等領域具有重要價值，但大規模真實軌跡的收集成本高昂且涉及隱私問題，因此合成軌跡的生成成為研究熱點。
現有的基於大型語言模型（LLM）的軌跡生成方法主要分為兩類：提示工程和軌跡級微調。提示工程利用零樣本推理能力，但缺乏對時空細節的精確控制；而軌跡級微調雖然能提高統計精度，卻需要大量計算資源，並可能削弱模型的泛化能力。TrajGenAgent通過避免模型微調，巧妙地克服了這些侷限。
TrajGenAgent採用兩階段的“組織者-工作者”架構。在第一階段，LLM作為組織者，通過上下文學習從歷史數據中合成個體和星期條件化的活動鏈。這些活動鏈概括了用户在特定日期的活動序列，例如上午去辦公室、中午去餐館等。第二階段，一個確定性工作流將每個活動細化為完整的訪問記錄。該工作流包含四個關鍵組件：個性化興趣點（POI）檢索，根據用户偏好推薦具體地點；距離感知的位置選擇，確保地點之間的空間合理性；運動學感知的旅行時間傳播，使用現實交通模型估算出行時間；以及基於LLM的持續時間估計，合理預測每項活動的時長。
為了評估生成軌跡的真實性，研究團隊還設計了一套基於異常檢測的評估框架。該框架使用兩個互補的檢測器：一個聚焦於行為層面的合理性，例如日常活動的規律性；另一個關注語義層面的連貫性，例如行程邏輯是否自然。在基準數據集（如Geolife）和大規模模擬數據集上的實驗表明，TrajGenAgent在時空保真度、語義連貫性和個體行為真實性方面均優於現有神經方法和LLM基線方法，同時避免了任何參數更新，從而保持了模型的通用推理能力。